Por qué un PDF se hace más grande al guardarlo o editarlo

Un guardado que añade en vez de sustituir

Esta es la causa que nadie adivina, porque nada de ella se ve. Un PDF puede escribirse como una actualización incremental: el archivo del que partiste se deja exactamente como estaba y se añade al final una sección nueva que contiene solo los objetos que cambiaron, seguida de una nueva tabla de referencias cruzadas que apunta a la antigua.

La norma ISO 32000-1 lo contempla, y las aplicaciones lo hacen porque es rápido: cambiar una palabra en un documento de cuatrocientas páginas son unos cientos de bytes escritos al final de un archivo en vez de cuatrocientas páginas reescritas. También es como una firma digital sobrevive a que se añada una anotación después, ya que los bytes firmados siguen ahí, intactos, al principio.

El coste es que la versión antigua de cada objeto que cambiaste sigue en el archivo. Guarda cinco veces y un documento puede llevar cinco revisiones, cada una con la copia sustituida de lo que la siguiente reemplazó. El documento que se abre es correcto; el archivo es su historia.

Dos consecuencias, una sobre el tamaño y otra más seria.

El tamaño: un archivo puede duplicarse en una tarde de edición sin una sola página nueva. No le pasa nada y ningún compresor ayudará, porque los bytes no están mal comprimidos: simplemente no hacen falta.

La otra: cualquier cosa que quitaste y luego guardaste de forma incremental puede seguir siendo recuperable del archivo. Si borraste un párrafo, una página o una imagen porque no debía compartirse, quitarlo de la revisión actual no lo quita de los bytes. Cómo redactar un PDF de forma permanente es el artículo sobre eso, y importa más que los megabytes.

Conviene saber esto sobre las herramientas de aquí: no añaden. Casi todas construyen un documento nuevo y copian las páginas dentro, lo que significa que la salida tiene una revisión y lo que las antiguas sustituyeron desaparece. No es una función que nadie diseñara por el tamaño: existe porque la biblioteca PDF que usa este sitio escribe una tabla de referencias cruzadas rota al reguardar un origen actualizado de forma incremental, y Acrobat rechaza el resultado. Medido sobre un documento real mientras se arreglaba eso: 217.913 bytes por la vía del reguardado frente a 192.994 por la de reconstrucción, con los 5.865 caracteres de texto todavía extraíbles. Un archivo que vuelve más pequeño de una herramienta que no comprimió nada normalmente solo ha perdido su historial de revisiones.

Una edición que convirtió la página en una imagen

La segunda causa común, y la que lleva un coste permanente.

Una página de texto es una lista de instrucciones y ocupa unos kilobytes. Esa misma página representada y guardada como imagen son varios millones de píxeles, y ninguna compresión la devuelve a unos kilobytes. Cualquier operación que rasterice una página, por tanto, agranda el archivo — a menudo mucho — y se lleva con ella la capa de texto.

Qué operaciones de este sitio hacen eso, exactamente:

• Aplanar PDF: solo a veces. Primero intenta aplanar los campos del formulario directamente, lo que mantiene el texto vivo y el archivo pequeño. Si eso falla — apariencias que no puede generar, anotaciones fuera del formulario, un formulario XFA — representa todas las páginas y reconstruye el documento a partir de JPEG. La página de resultado te dice qué vía se usó, y no es un detalle: «tu formulario está bloqueado» significa algo distinto según si el documento sigue siendo buscable.
• PDF a escala de grises: siempre. Cada página se representa, se desatura píxel a píxel y se vuelve a escribir como página JPEG. Los tres ajustes de calidad representan a 2,0, 1,5 y 1,1 veces el tamaño de página y codifican con calidad JPEG 0,92, 0,82 y 0,68. Pasa por ahí un documento solo de texto y espera un archivo mayor sin texto seleccionable; la página de la herramienta lo dice antes del cuadro de subida. Es la herramienta adecuada para un escaneo en color y la equivocada para un informe.
• Redactar PDF: solo las páginas que marcaste. Las páginas marcadas se representan al doble de su tamaño con los recuadros negros pintados en los píxeles, que es lo que hace permanente una redacción. Las páginas que no tocaste se copian con su texto intacto, así que redactar te cuesta solo las páginas redactadas.
• Comprimir PDF en su ajuste más agresivo. Los dos niveles inferiores recomprimen las imágenes del documento y lo dejan siendo un documento. El nivel Máximo rasteriza, y está etiquetado como destructivo en la página antes de ejecutarlo.

Un límite que sorprende: un lienzo de navegador no puede ser arbitrariamente grande, así que la representación está limitada a 4.096 píxeles de lado y unos 16 megapíxeles en total. Una página muy grande se representa a menos escala de la pedida en vez de salir en blanco, lo que significa que un cartel A0 pasado por una herramienta que rasteriza sale más borroso que una página A4. Qué tamaño de PDF puede manejar un navegador cubre los demás límites de trabajar en una pestaña.

Tipografías, imágenes y las cosas que se incrustan dos veces

Las causas restantes tienen todas la misma forma: algo que estaba compartido, o parcial, o ya comprimido, dejó de estarlo, se completó o se recomprimió.

• Una tipografía subconjuntada se incrusta entera. Un productor que incrusta solo los glifos que el documento usa escribe unos kilobytes; un editor que vuelve a incrustar la familia completa escribe unos cientos. La página se ve idéntica. Por qué los PDF se ven distintos en otros ordenadores explica el subconjuntado y sus otras sorpresas.
• La misma tipografía acaba en el archivo más de una vez. Fusionar es la vía habitual: las páginas de cada documento se copian junto con los recursos a los que hacen referencia, y nada en la fusión busca dos tipografías idénticas para quedarse con una. Diez informes de la misma plantilla, todos incrustando la misma familia, llevan diez copias al archivo fusionado. Cómo combinar archivos PDF cubre qué más cambia.
• Una imagen se recodifica sin pérdida. Una fotografía JPEG dentro de un PDF ya está comprimida. Un editor que la decodifica, cambia algo y la vuelve a escribir como imagen sin pérdida puede multiplicar su tamaño mientras la mejora un poquito, cosa que nadie pidió.
• Una página la vuelve a representar un controlador de impresión. Imprimir un PDF a PDF es una representación completa desde cero, y con frecuencia agranda el archivo además de quitarle la estructura al documento. Qué hace realmente «Imprimir a PDF» trata eso por extenso.

Y una suma de unos pocos bytes que merece nombrarse porque es obra de este sitio. iBuildPDF escribe tablas de referencias cruzadas clásicas en vez de los flujos comprimidos que la biblioteca usaría por defecto. Ambas son válidas; Acrobat rechaza con frecuencia las segundas, con «Falta el objeto raíz o no es válido», y un archivo que el lector más común no abre no es un archivo más pequeño. Medido, la tabla clásica cuesta alrededor del 2,7% en un documento realista con muchas imágenes y entre el 17% y el 27% en uno diminuto solo de texto, donde la tabla es casi todo el archivo. Es una decisión deliberada y es toda la contribución de este sitio a que tu archivo sea mayor.

Añadir números de página o una marca de agua, en cambio, no cuesta casi nada: ambos dibujan con una de las catorce tipografías estándar, así que no se incrusta ningún dato de fuente — unos cientos de bytes de instrucciones de dibujo por página y nada más.

Recuperar el tamaño

1. Averigua qué clase de archivo tienes. Contar páginas e información del archivo, y luego divide el tamaño entre el número de páginas. Un documento de texto de más de unos cientos de kilobytes por página tiene algo dentro que no es texto, y saber si aún hay capa de texto te dice de inmediato si una página ya está rasterizada.
2. Si la capa de texto ha desaparecido, para y vuelve atrás. Rasterizar es de ida. La compresión encogerá las imágenes encantada, y el texto no va a volver salvo por OCR, que es un conjunto nuevo de conjeturas en vez de los caracteres originales y funciona en un servidor. Lo correcto es la versión anterior del documento, si todavía la tienes.
3. Si la capa de texto está intacta, comprime. Comprimir PDF decodifica las imágenes incrustadas, las remuestrea a una resolución sensata para el tamaño al que se dibujan y las vuelve a codificar. No te dará un archivo mayor: si su salida fuera más grande que lo que le diste, dice que el documento ya estaba optimizado y te devuelve tu propio archivo sin tocar. Cómo funciona la compresión de PDF describe qué cambia cada nivel.
4. Si el exceso es historial de revisiones, cualquier herramienta estructural lo elimina. Aquí no hay un botón de «reescribir esto como una sola revisión», y no hace falta: rotar, reordenar, extraer o comprimir escriben todos un documento nuevo de una sola revisión, así que el ahorro llega junto con lo que ibas a hacer de todos modos. Organizar páginas es la menos invasiva.
5. Conserva el archivo del que partiste. Cada paso de arriba descarta algo de forma permanente, y el momento en que descubres que necesitabas el original nunca es el que esperas.

Si el archivo supera el megabyte por página y es genuinamente un escaneo, la aritmética y las soluciones son lo bastante distintas como para tener su propio artículo: por qué un PDF escaneado es tan grande. Y si nada lo encoge en absoluto, por qué algunos PDF no se pueden comprimir cubre los archivos que ya son todo lo pequeños que pueden ser.

Cuatro cosas que conviene saber antes de intentarlo

• Un archivo más grande no es un archivo roto. Un documento con cuatro revisiones se abre bien, se imprime bien y es PDF perfectamente válido. Si nada depende del tamaño, no hay nada que hacer.
• Reescribir un documento firmado rompe la firma. Una firma digital cubre un rango de bytes, así que cualquier herramienta que escriba un archivo nuevo la invalida — incluidas todas las de aquí, porque todas reconstruyen. Las actualizaciones incrementales existen en parte para que los documentos firmados puedan anotarse sin que eso ocurra. Si la firma es el sentido del documento, no lo pases por nada. Cómo firmar un PDF cubre la diferencia entre una firma y una imagen de una.
• Parte del crecimiento es simplemente que el documento ha crecido. Una marca de agua en cada página, números de página, una imagen de firma, una tipografía incrustada que de verdad faltaba: todo eso añade bytes porque añade contenido, y no hay nada que recuperar.
• Comprueba el resultado, no el número. Un archivo que ha vuelto un 70% más pequeño y un 70% más borroso no es un éxito. Ábrelo al 100%, lee un párrafo y, si va a imprimirse, lee la letra pequeña; por qué mi PDF se ve borroso cubre qué estás mirando si ha salido mal.